Nền tảng Kinh tế lượng hiện đại

An Introduction to Modern Econometrics

Chào mừng các bạn đến với Kinh tế lượng hiện đại!

Chào các bạn sinh viên, tôi là Giáo sư của các bạn trong chuỗi bài học này. Trong hành trình khám phá kinh tế lượng, chúng ta thường bắt đầu với các câu hỏi tưởng chừng đơn giản: “Thêm một năm đi học có thực sự giúp tăng lương không?” hay “Liệu giảm quy mô lớp học có cải thiện kết quả học tập?”. Đây không chỉ là những câu hỏi về sự tương quan, mà là về mối quan hệ nhân quả – trái tim của mọi phân tích kinh tế nghiêm túc. Mục tiêu của chúng ta không phải là tìm ra các mối liên hệ ngẫu nhiên, mà là xác định một cách khoa học rằng liệu sự thay đổi của một yếu tố có thực sự “gây ra” sự thay đổi của một yếu tố khác hay không.

Để làm được điều đó, chúng ta cần một bộ công cụ mạnh mẽ và một tư duy đúng đắn. Chuỗi bài học này sẽ trang bị cho các bạn nền tảng vững chắc đó, dựa trên giáo trình kinh điển “Econometric Analysis of Cross Section and Panel Data” của Jeffrey Wooldridge. Chúng ta sẽ cùng nhau đi sâu vào ba khái niệm cốt lõi: Quan hệ nhân quả (Causal Relationship), nguyên tắc vàng Ceteris Paribus (giữ các yếu tố khác không đổi), và sức mạnh của Phân tích tiệm cận (Asymptotic Analysis). Đây là những trụ cột giúp chúng ta xây dựng các mô hình đáng tin cậy và rút ra những kết luận có giá trị từ dữ liệu. Hãy chuẩn bị sẵn sàng, vì hành trình biến dữ liệu thành tri thức của chúng ta bắt đầu ngay từ đây!

CẤU TRÚC CHUỖI BÀI HỌC

  1. Nền tảng về quan hệ nhân quả và ceteris paribus
    Hiểu rõ sự khác biệt giữa tương quan và nhân quả, và tại sao nguyên tắc ‘giữ các yếu tố khác không đổi’ là cốt lõi của kinh tế lượng.
  2. Bối cảnh ngẫu nhiên và phân tích tiệm cận
    Khám phá khung làm việc của kinh tế lượng hiện đại, từ cấu trúc dữ liệu đến các tính chất của ước lượng khi mẫu đủ lớn.
  3. Tại sao biến giải thích cần được coi là ngẫu nhiên?
    Lý giải tầm quan trọng của việc xem xét các biến giải thích là ngẫu nhiên và ứng dụng qua các ví dụ thực tiễn trong kinh tế.
  4. Tổng kết nền tảng kinh tế lượng hiện đại
    Hệ thống hóa các khái niệm cốt lõi đã học, tạo nền tảng vững chắc để bạn chinh phục các mô hình kinh tế lượng phức tạp hơn.

KIẾN THỨC TIÊN QUYẾT

  • Xác suất thống kê: Nắm vững các khái niệm về biến ngẫu nhiên, phân phối xác suất, kỳ vọng, phương sai, và đặc biệt là kỳ vọng có điều kiện.
  • Kinh tế lượng nhập môn: Đã quen thuộc với mô hình hồi quy tuyến tính cổ điển, phương pháp OLS, và các giả định Gauss-Markov.
  • Đại số tuyến tính cơ bản: Hiểu về véc-tơ, ma trận và các phép toán cơ bản như chuyển vị, nhân ma trận, ma trận nghịch đảo.
  • Stata cơ bản: Biết cách nhập dữ liệu, thực hiện các lệnh thống kê mô tả và chạy hồi quy OLS cơ bản (lệnh regress).

MỤC TIÊU HỌC TẬP

Sau khi hoàn thành chuỗi bài học này, các bạn sẽ có khả năng:

  • Phân biệt rạch ròi giữa mối quan hệ tương quan và mối quan hệ nhân quả trong các bối cảnh kinh tế.
  • Nắm vững và giải thích được tầm quan trọng của bối cảnh lấy mẫu ngẫu nhiên trong phân tích kinh tế lượng hiện đại.
  • Hiểu được ý nghĩa và vai trò của phân tích tiệm cận trong việc đánh giá các ước lượng.
  • Lý giải được tại sao việc coi các biến giải thích là ngẫu nhiên lại là một cách tiếp cận ưu việt và thực tế hơn.

TÀI LIỆU THAM KHẢO

  • Wooldridge, J. M. (2010). Econometric analysis of cross section and panel data (2nd ed.). MIT press. (Tài liệu chính của chuỗi bài học).
  • Cameron, A. C., & Trivedi, P. K. (2005). Microeconometrics: Methods and applications. Cambridge university press.
  • Angrist, J. D., & Pischke, J. S. (2009). Mostly harmless econometrics: An empiricist’s companion. Princeton university press.

PHỤ LỤC: Dữ liệu mô phỏng cho chuỗi bài học

Để giúp các bạn dễ hình dung các khái niệm lý thuyết, chúng ta sẽ sử dụng một bộ dữ liệu mô phỏng về tiền lương. Dữ liệu này được tạo ra dựa trên ví dụ kinh điển về hàm thu nhập, giúp chúng ta khám phá mối quan hệ giữa lương, học vấn và các yếu tố khác.

Các bạn có thể tự tạo lại bộ dữ liệu này bằng các câu lệnh Stata dưới đây:

Stata
* ==================================================
* MỤC ĐÍCH: Tạo dữ liệu mô phỏng về lương và học vấn
* SỐ QUAN SÁT: 1000 cá nhân
* MÔ HÌNH DỮ LIỆU: log(wage) = 1.5 + 0.1*educ + 0.05*exper + 0.2*married + 0.15*ability + error
* ==================================================

clear
set obs 1000
set seed 12345

* Tạo biến học vấn (education)
gen educ = 10 + rpoisson(3)

* Tạo biến kinh nghiệm (experience)
gen exper = rpoisson(5)

* Tạo biến tình trạng hôn nhân (married)
gen married = rbinomial(1, 0.6)

* Tạo biến năng lực không quan sát được (unobserved ability)
gen ability = rnormal(0, 1)

* Tạo sai số ngẫu nhiên (error term)
gen u = rnormal(0, 0.5)

* Tạo biến log(wage) dựa trên mô hình
gen lwage = 1.5 + 0.1*educ + 0.05*exper + 0.2*married + 0.15*ability + u

* Tạo biến wage
gen wage = exp(lwage)

* Gán nhãn cho các biến
label var educ "Số năm đi học"
label var exper "Số năm kinh nghiệm"
label var married "Tình trạng hôn nhân (1=đã kết hôn)"
label var ability "Năng lực bẩm sinh (không quan sát được)"
label var wage "Tiền lương hàng tháng"
label var lwage "Logarit của tiền lương"

* Lưu dữ liệu
* compress
* save "wage_simulation.dta", replace

Mô tả các biến trong dữ liệu

  • wage: Tiền lương hàng tháng (đơn vị: triệu VND).
  • lwage: Logarit tự nhiên của tiền lương.
  • educ: Số năm đi học.
  • exper: Số năm kinh nghiệm làm việc.
  • married: Biến nhị phân (1 nếu đã kết hôn, 0 nếu chưa).
  • ability: Yếu tố năng lực bẩm sinh (giả định không quan sát được trong thực tế).

📚 Bài tiếp theo: Nền tảng về quan hệ nhân quả và ceteris paribus

💡 Lưu ý: Hãy đọc kỹ các mục tiêu học tập để có cái nhìn tổng quan về những gì chúng ta sẽ chinh phục trong chuỗi bài học này.


Các bài đã xem

Back to top button